| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 创新点摘要 | 第10-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 问题提出、研究目的及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.2.1 城市天然气负荷预测研究现状 | 第15-18页 |
| 1.2.2 城市天然气调峰技术研究现状 | 第18-21页 |
| 1.2.3 目前研究存在的主要问题 | 第21-22页 |
| 1.3 本文主要研究内容与技术路线 | 第22-26页 |
| 1.3.1 研究目标 | 第22页 |
| 1.3.2 主要研究内容 | 第22-24页 |
| 1.3.3 拟解决关键问题 | 第24-26页 |
| 第二章 城市天然气负荷预测及调峰基础 | 第26-50页 |
| 2.1 城市天然气负荷预测基础 | 第26-28页 |
| 2.2 城市天然气负荷特性分析 | 第28-35页 |
| 2.2.1 城市天然气时负荷特性分析 | 第28-31页 |
| 2.2.2 城市天然气日负荷特性分析 | 第31-33页 |
| 2.2.3 城市天然气年负荷特性分析 | 第33-35页 |
| 2.3 城市天然气调峰方式分析 | 第35-39页 |
| 2.4 城市天然气调峰方案制定和决策基础 | 第39-48页 |
| 2.4.1 高峰周小时用气量计算 | 第39-40页 |
| 2.4.2 城市天然气负荷预测 | 第40页 |
| 2.4.3 城市天然气管网仿真数学模型 | 第40-44页 |
| 2.4.4 城市天然气管网非稳态仿真数学模型的求解及封闭式分析 | 第44-48页 |
| 2.5 本章小结 | 第48-50页 |
| 第三章 城市天然气时负荷预测模型研究 | 第50-76页 |
| 3.1 城市天然气时负荷预测模型选择研究 | 第50页 |
| 3.2 基于小波理论和RBF-Elman的城市天然气时负荷预测模型研究 | 第50-63页 |
| 3.2.1 小波变换 | 第51-52页 |
| 3.2.2 RBF和Elman神经网络预测模型 | 第52-53页 |
| 3.2.3 Daubechies、Symlets和Coiflets小波阶数对预测性能影响分析 | 第53-58页 |
| 3.2.4 Daubechies、Symlets和Coiflets小波分解层数对预测性能影响分析 | 第58-62页 |
| 3.2.5 不同预测模型性能对比分析 | 第62-63页 |
| 3.3 基于混沌理论和Volterra自适应滤波器的城市天然气时负荷预测模型研究 | 第63-74页 |
| 3.3.1 混沌特性识别和重构相空间 | 第63-68页 |
| 3.3.2 Volterra自适应滤波器预测模型 | 第68-70页 |
| 3.3.3 Volterra自适应滤波器不同阶数单步和多步对预测性能影响分析 | 第70-74页 |
| 3.4 本章小结 | 第74-76页 |
| 第四章 城市天然气日负荷预测模型研究 | 第76-120页 |
| 4.1 城市天然气时负荷预测模型选择研究 | 第76页 |
| 4.2 MD（模态分解） | 第76-79页 |
| 4.3 ApEn（近似熵）和SVM（支持向量机） | 第79-84页 |
| 4.4 基于EMD-EEMD和LSSVM-SMOSVM的城市天然气日负荷预测模型研究 | 第84-105页 |
| 4.4.1 参数分析 | 第84-86页 |
| 4.4.2 EMD-EEMD和LSSVM-SMOSVM预测模型分析 | 第86-103页 |
| 4.4.3 基于EMD-EEMD和LSSVM-SMOSVM不同模型预测性能对比分析 | 第103-105页 |
| 4.5 两种改进EEMD-LSSVM预测模型的方法 | 第105-119页 |
| 4.5.1 基于AMD和FIR数字滤波器的城市天然气日负荷时间序列处理 | 第105-115页 |
| 4.5.2 基于PSO（粒子群优化算法）的EEMD-LSSVM预测模型参数优化 | 第115-117页 |
| 4.5.3 两种不同改进方法预测性能对比分析 | 第117-119页 |
| 4.6 本章小结 | 第119-120页 |
| 第五章 城市天然气年负荷预测模型研究 | 第120-136页 |
| 5.1 城市天然气年负荷预测指标体系分析 | 第120-128页 |
| 5.1.1 外部环境角度 | 第121页 |
| 5.1.2 内部环境角度 | 第121页 |
| 5.1.3 用户消费角度 | 第121-122页 |
| 5.1.4 城市天然气年负荷预测指标体系相关性分析 | 第122-128页 |
| 5.2 基于改进GA（遗传算法）优化BP神经网络的天然气年负荷预测模型 | 第128-131页 |
| 5.2.1 基本GA及其改进 | 第129-130页 |
| 5.2.2 BP神经网络 | 第130页 |
| 5.2.3 基于改进GA优化BP神经网络的天然气年负荷预测模型预测流程 | 第130-131页 |
| 5.3 实例分析 | 第131-135页 |
| 5.4 本章小结 | 第135-136页 |
| 第六章 南昌市天然气调峰方案决策研究 | 第136-162页 |
| 6.1 城市天然气调峰方案决策模型选择研究 | 第136-137页 |
| 6.2 确定相对隶属度的方法 | 第137-142页 |
| 6.2.1 方案集D中二元比较定性目标i的优越性排序 | 第138页 |
| 6.2.2 确定定性目标的相对优属度方法 | 第138-140页 |
| 6.2.3 确定定量目标的相对优属度方法 | 第140-142页 |
| 6.3 熵权法及其改进确定目标客观权重 | 第142-143页 |
| 6.3.1 基本熵权法 | 第142-143页 |
| 6.3.2 改进熵权法确定目标客观权重 | 第143页 |
| 6.4 多目标模糊决策理论 | 第143-144页 |
| 6.5 算例研究 | 第144-161页 |
| 6.4.1 TGNET软件适用性检验 | 第147-149页 |
| 6.4.2 南昌市天然气调峰方案的制定 | 第149-155页 |
| 6.4.3 确定决策目标相对隶属度矩阵及权重 | 第155-160页 |
| 6.4.4 南昌市天然气调峰方案的多目标模糊决策 | 第160-161页 |
| 6.6 本章小结 | 第161-162页 |
| 第七章 结论与展望 | 第162-166页 |
| 7.1 主要结论 | 第162-164页 |
| 7.2 展望 | 第164-166页 |
| 参考文献 | 第166-174页 |
| 攻读博士学位期间取得的研究成果 | 第174-176页 |
| 致谢 | 第176-178页 |
| 作者简介 | 第178页 |
